کاربردهای هوش مصنوعی در علم پزشکی چیست؟/کاربردها، پیامدها و محدودیت ها

کاربردهای هوش مصنوعی در علم پزشکی : آینده عمل پزشکی “استاندارد” ممکن است زودتر از حد انتظار به اینجا برسد، جایی که بیمار می تواند قبل از مراجعه به پزشک، کامپیوتر را ببیند. از طریق پیشرفت‌های هوش مصنوعی (AI)، به نظر می‌رسد این امکان وجود دارد که روزهای تشخیص اشتباه و درمان علائم بیماری به جای علت اصلی آن، پشت سر ما حرکت کنند.

به این فکر کنید که چند سال اندازه‌گیری فشار خون دارید، یا چقدر فضای ذخیره‌سازی باید حذف کنید تا یک تصویر سه بعدی کامل از یک عضو روی لپ‌تاپ خود قرار دهید؟ اطلاعات موجود در کلینیک‌ها و ذخیره در پرونده‌های پزشکی الکترونیکی از طریق آزمایش‌های رایج و تصویربرداری پزشکی، کاربردهای هوش مصنوعی در علم پزشکی مبتنی بر اطلاعات با کارایی بالا را ممکن می‌سازد. این کاربردها تغییر کرده اند و به تغییر رویکرد پزشکان و محققان برای حل مشکلات بالینی ادامه خواهند داد.

با این حال، در حالی که برخی از الگوریتم‌ها می‌توانند با پزشکان در کارهای مختلف رقابت کنند و گاهی اوقات از آنها بهتر عمل می‌کنند، اما هنوز به طور کامل در عمل پزشکی روزمره ادغام نشده‌اند. چرا؟ از آنجا که اگرچه این الگوریتم‌ ها می‌توانند به طور معنا دار بر روی پزشکی تأثیر بگذارند و قدرت مداخلات پزشکی را تقویت کنند، نگرانی‌های نظارتی متعددی وجود دارد که ابتدا باید به آنها پرداخت.

چه چیزی یک الگوریتم را هوشمند می کند؟

مشابه نحوه آموزش پزشکان از طریق سالها تحصیل در رشته پزشکی، انجام تکالیف و امتحانات عملی، دریافت نمرات و یادگیری از اشتباهات، الگوریتم های هوش مصنوعی نیز باید یاد بگیرند که چگونه وظایف خود را انجام دهند. به طور کلی، کارهایی که الگوریتم‌های هوش مصنوعی می‌توانند انجام دهند، کارهایی هستند که برای تکمیل به هوش انسانی نیاز دارند، مانند تشخیص الگو و گفتار، تجزیه و تحلیل تصویر و تصمیم‌گیری. با این حال، انسان‌ها باید صریحاً به رایانه بگویند که مثلاً در تصویری که به یک الگوریتم می‌دهند دقیقاً به دنبال چه چیزی می‌گردند. به طور خلاصه، الگوریتم‌های هوش مصنوعی برای خودکار کردن کارهای سخت عالی هستند و گاهی اوقات می‌توانند در کارهایی که برای انجام آن‌ها آموزش دیده‌اند از انسان‌ها بهتر عمل کنند.

این عمل در ابتدا چگونه انجام میشود؟

به منظور ایجاد یک الگوریتم موثر هوش مصنوعی، سیستم‌های کامپیوتری ابتدا داده‌هایی را تغذیه می‌کنند که معمولاً ساختاری دارند، به این معنی که هر نقطه از اطلاعات دارای یک برچسب یا حاشیه‌نویسی است که برای الگوریتم قابل تشخیص است پس از اینکه الگوریتم در معرض مجموعه های کافی از نقاط اطلاعات و برچسب های آنها قرار گرفت، عملکرد برای اطمینان از صحت تجزیه و تحلیل می شود، درست مانند امتحاناتی که به دانش آموزان بیان می شود. این «امتحانات» الگوریتم معمولاً شامل ورودی اطلاعات آزمایشی است که برنامه‌نویسان از قبل پاسخ‌ها را می‌دانند و به آن‌ها اجازه می‌دهند توانایی الگوریتم‌ها را برای تعیین پاسخ صحیح ارزیابی کنند. بر اساس نتایج آزمایش، الگوریتم را می توان اصلاح کرد، اطلاعات بیشتری را تغذیه کرد، یا برای کمک به تصمیم گیری برای شخصی که الگوریتم را نوشته است، استفاده کرد.

الگوریتم های مختلفی وجود دارد که می توانند از این داده ها یاد بگیرند. بیشتر کاربردهای هوش مصنوعی در علم پزشکی در برخی از انواع اطلاعات، اعم از عددی (مانند ضربان قلب یا فشار خون) یا مبتنی بر تصویر (مانند اسکن‌های MRI یا تصاویر نمونه‌های بافت بیوپسی) به عنوان ورودی مطالعه می‌شوند. سپس الگوریتم‌ها از اطلاعات یاد می‌گیرند و یک احتمال یا یک طبقه‌بندی را ایجاد می‌کنند.

کاربردهای اخیر هوش مصنوعی در پزشکی :

پیشرفت در قدرت محاسباتی همراه با مقادیر انبوه اطلاعات تولید در سیستم های مراقبت های بهداشتی، بسیاری از مشکلات بالینی را برای کاربردهای هوش مصنوعی در علم پزشکی حاضر می کند. در زیر دو کاربرد اخیر از الگوریتم‌های دقیق و مرتبط بالینی وجود دارد که می‌تواند از طریق ساده‌تر کردن تشخیص، برای بیماران و پزشکان مفید باشد.

اولین کاربرد این الگوریتم ها :

اولین مورد از این الگوریتم‌ها یکی از نمونه‌های متعدد موجود از الگوریتم‌هایی است که در کارهای طبقه‌بندی تصویر از پزشکان بهتر عمل می‌کند. در پاییز 2018، محققان بیمارستان و کالج پزشکی دانشگاه ملی سئول یک الگوریتم هوش مصنوعی به نام DLAD (تشخیص خودکار مبتنی بر یادگیری عمیق) را برای تجزیه و تحلیل رادیوگرافی قفسه سینه و تشخیص رشد غیرطبیعی سلول، مانند سرطان‌های بالقوه، توسعه دادند. عملکرد الگوریتم با توانایی‌های تشخیص چند پزشک در تصاویر مشابه مقایسه شد و از 17 پزشک از 18 پزشک برتری داشت.

دومین کاربرد الگوریتم ها :

دومین مورد از این الگوریتم‌ها متعلق به محققان Google AI Healthcare است که همچنین در پاییز 2018 یک الگوریتم یادگیری به نام LYNA (دستیار گره لنفاوی) ایجاد کردند که اسلایدهای بافت‌شناسی نمونه‌های بافت رنگ‌شده را تجزیه و تحلیل می‌کرد تا تومورهای سرطان سینه متاستاتیک را از غدد لنفاوی شناسایی کند. بیوپسی ها این اولین کاربرد هوش مصنوعی برای تجزیه و تحلیل بافت شناسی نیست، اما جالب است که این الگوریتم می تواند مناطق مشکوکی را که برای چشم انسان قابل تشخیص نیستند در نمونه های بیوپسی شناسایی کند. LYNA بر روی دو مجموعه داده آزمایش شد و نشان داده شد که در 99٪ موارد به طور دقیق یک نمونه را به عنوان سرطانی یا غیر سرطانی طبقه بندی می کند. علاوه بر این، زمانی که به پزشکان عطا شد تا همراه با آنالیز معمولی نمونه‌های بافت رنگ‌آمیزی استفاده کنند، LYNA میانگین زمان بازبینی اسلاید را به نصف کاهش داد.

سایر کاربرد الگوریتم ها :

اخیراً، سایر الگوریتم‌های مبتنی بر تصویربرداری توانایی مشابهی برای افزایش دقت پزشک نشان دادند. در کوتاه مدت، این الگوریتم‌ها می‌توانند توسط پزشکان برای کمک به بررسی مجدد تشخیص‌ها و تفسیر سریع‌تر داده‌های بیمار بدون کاهش دقت مورد استفاده قرار گیرند. با این حال، در درازمدت، الگوریتم‌های مورد تایید دولت می‌توانند به طور مستقل در کلینیک عمل کنند و به پزشکان اجازه می‌دهند روی مواردی تمرکز کنند که رایانه‌ها قادر به حل آن‌ها نیستند. هر دو LYNA و DLAD به عنوان نمونه‌های اصلی الگوریتم‌هایی هستند که با نشان ویژگی‌های برجسته تصاویر به پزشکان که باید با دقت بیشتری مورد مطالعه قرار گیرند، طبقه‌بندی نمونه‌های سالم و بیمار را تکمیل می‌کنند. این آثار نقاط قوت بالقوه الگوریتم‌ها را در پزشکی نشان می‌دهند، بنابراین چه چیزی آنها را از استفاده بالینی باز می‌دارد؟ کاربردهای هوش مصنوعی در علم پزشکی چگونه میتواند پیشرفته تر شود؟

پیشنهاد پیویو برای شما :

https://pioio.com/mag/2022/03/10/development-of-artificial-intelligence-war-of-robots-and-humans/ https://pioio.com/mag/2022/03/26/the-american-humanoid-robot-ameca-is-beyond-reality/ https://pioio.com/mag/2022/03/16/everything-you-need-to-know-about-sophia-the-worlds-first-robot-citizen/

مفاهیم نظارتی و محدودیت های الگوریتم در آینده :

تا کنون، الگوریتم‌ها در پزشکی مزایای بالقوه زیادی را هم برای پزشکان و هم برای بیماران نشان داده‌اند. با این حال، تنظیم این الگوریتم ها کار دشواری است. سازمان غذا و داروی ایالات متحده (FDA) برخی از الگوریتم های کمکی را تایید کرده است، اما در حال حاضر هیچ دستورالعمل تایید جهانی وجود ندارد. علاوه بر این، افرادی که الگوریتم‌هایی را برای استفاده در کلینیک ایجاد می‌کنند، همیشه پزشکانی نیستند که بیماران را درمان می‌کنند، بنابراین در برخی موارد، محاسبات‌گرایان ممکن است نیاز داشته باشند در مورد پزشکی بیشتر بیاموزند در حالی که پزشکان ممکن است نیاز داشته باشند در مورد وظایف یک الگوریتم خاص بیاموزند. یا به خوبی مناسب نیست در حالی که هوش مصنوعی می‌تواند به تشخیص و وظایف بالینی اولیه کمک کند، تصور جراحی‌های خودکار مغز دشوار است.

به‌عنوان مثال، در مواردی که گاهی پزشکان مجبور می‌شوند به محض دیدن بیمار رویکرد خود را تغییر دهند. به این ترتیب و موارد دیگر، امکانات هوش مصنوعی در پزشکی در حال حاضر بر قابلیت‌های هوش مصنوعی برای مراقبت از بیمار بیشتر است. با این حال، دستورالعمل‌های شفاف FDA می‌تواند به تعیین الزامات الگوریتم‌ها کمک کند و می‌تواند منجر به افزایش الگوریتم‌های بالینی مستقر شود.

FDA :

FDA معیارهای پذیرش سختگیرانه ای برای آزمایشات بالینی دارد که نیازمند شفافیت شدید در مورد روش های علمی است. بسیاری از الگوریتم‌ها برای رسیدن از اطلاعات ورودی به نتیجه نهایی، به ریاضیات بسیار پیچیده و دشواری که گاهی اوقات «جعبه سیاه» نامیده می‌شود، تکیه میکنند. محققان، شرکت‌ها و کارآفرینان ممکن است در افشای روش‌های اختصاصی خود در معرض دید عموم مردد باشند، زیرا در معرض خطر از دست دادن پول با گرفتن ایده‌های خود و تقویت آن توسط دیگران هستند. اگر قوانین ثبت اختراع از وضعیت فعلی خود تغییر کند، جایی که یک الگوریتم از نظر فنی فقط در صورتی قابل ثبت است که بخشی از یک ماشین فیزیکی باشد، ابهام پیرامون جزئیات الگوریتم کاهش می یابد. در هر صورت، افزایش شفافیت در کوتاه‌مدت ضروری است تا اطلاعات بیمار مورد سوء استفاده قرار نگیرند یا به‌طور نادرست طبقه‌بندی شوند.

FDA چه کاربردهای هوش مصنوعی در علم پزشکی قرار میدهد؟

ادامه :

علاوه بر موانعی که برای تایید FDA وجود دارد، الگوریتم های هوش مصنوعی علم پزشکی ممکن است در دستیابی به اعتماد و تایید بیماران نیز با مشکلاتی مواجه شوند. بدون وجود درک روشنی از نحوه عملکرد یک الگوریتم توسط کسانی که آنها را برای استفاده بالینی تایید می کنند، ممکن است بیماران مایل نباشند که از آن برای کمک به نیازهای پزشکی خود استفاده کنند. اگر مجبور به انتخاب شوند، آیا بیماران ترجیح می دهند توسط یک انسان یا یک الگوریتم اشتباه تشخیص بدهند، اگر الگوریتم عموماً از پزشکان بهتر باشد چه میشود؟ پاسخ به این سوال برای بسیاری دشوار است، اما احتمالاً به احساس اطمینان در تصمیم گیری الگوریتم خلاصه می شود.

تصمیم گیری صحیح تابعی از ساختار اطلاعات مورد استفاده به عنوان ورودی است که برای عملکرد صحیح بسیار مهم است. با اطلاعات گمراه کننده، الگوریتم ها می توانند نتایج گمراه کننده ای ارائه دهند. کاملاً ممکن است افرادی که یک الگوریتم را ایجاد می کنند تا زمانی که خیلی دیر نشده است ندانند اطلاعات که تغذیه می کنند گمراهشان یکند و الگوریتم آنها باعث قصور پزشکی میشود.

از این خطا می توان با آگاهی کامل پزشکان و برنامه نویسان در مورد داده ها و روش های مورد نیاز برای استفاده صحیح از اطلاعات در الگوریتم جلوگیری کرد. با ایجاد روابط بین پزشکانی که ویژگی‌های داده‌های بالینی را درک می‌کنند و محاسباتی‌ها که الگوریتم‌ها را ایجاد می‌کنند، احتمال کمتری وجود دارد که الگوریتمی انتخاب‌های نادرست را بیاموزد.

به نظر شما از کاربردهای هوش مصنوعی در علم پزشکی چه موارد دیگری میتوان نام برد؟

محدودیت ها :

درک صحیح محدودیت‌های الگوریتم‌ها توسط پزشکان و درک صحیح داده‌های بالینی توسط برنامه‌نویسان، کلید ایجاد الگوریتم‌های قابل استفاده در کلینیک است. ممکن است لازم باشد شرکت‌ها اسرار عملکرد الگوریتم خود را قربانی کنند تا مخاطبان گسترده‌تری بتوانند روش‌ها را بررسی کنند و به منابع خطا اشاره کنند که می‌تواند بر مراقبت از بیمار تأثیر بگذارد. به نظر می رسد ما هنوز از الگوریتم هایی که به طور مستقل در کلینیک ها عمل می کنند فاصله داریم، به خصوص با توجه به عدم وجود مسیر روشن برای تأیید بالینی.

تعریف کیفیت های لازم برای اینکه یک الگوریتم به اندازه کافی دقیق برای کلینیک تلقی شود، در عین حال که به منابع احتمالی خطا در تصمیم گیری الگوریتم توجه می شود، و شفاف بودن در مورد اینکه یک الگوریتم کجا رشد می کند و کجا شکست می خورد، می تواند امکان پذیرش عمومی الگوریتم ها را فراهم کند. در کارهای خاص جایگزین پزشک شود. با این حال، ارزش تلاش برای غلبه بر این چالش ها را دارد تا به طور جهانی دقت و کارایی اقدامات پزشکی برای بیماری های مختلف افزایش یابد.